计算机视觉（CV）在质检线上它真的靠谱吗？

上个月，东莞一家电子厂的产线经理老周冲我发了顿火——他新上的一套视觉检测系统，把上千个良品误判成缺陷件，直接停线两小时。这不怪他着急，问题是，这套设备在实验室跑得近乎完美。其实呢，这种事儿在工业圈子里一点不新鲜。计算机视觉（CV）论文刷榜刷得飞起，真扔到车间里，摄像头角度偏三度，传送带抖一丁点，算法就开始抽风。💡

为什么传统机器视觉总在关键时刻掉链子？

十年前我刚入行那会儿，视觉方案基本靠rule-based——画个ROI，调阈值，设置边缘检测参数。管用吗？当然。在固定光照、单一品种下，它比人眼还稳。可现实呢？生产环境是个混沌系统。你定好打光角度，车间顶上那盏日光灯一老化，亮度掉15%，模板匹配立刻开始漏杀。换一批料，氧化程度变了，颜色分割的阈值也得跟着动，不然误报吵得你怀疑人生。所以老工程师常说：“视觉调试不是做算法，是在伺候环境。” 这话一点不夸张。

我记得有次在浙江一家轴承厂，客户非要上OCR去读钢印字符，结果钢印深浅不一，油污还时不时蹭上去。传统的二值化+模板匹配根本扛不住。我们当时试了blob分析、形态学滤波，死磕了三天，最后靠加装一套环形光源和偏振片勉强过关。说实话，方案落地后我一点成就感都没有——整个系统变得又贵又笨重，稍有挪动就得重新标定。这就是传统视觉的痛点：泛化能力太弱，场景稍微一变就歇菜。❗

深度学习真的能拯救产线吗？——一次翻车实录

CV圈这几年确实被深度学习搅翻了天。ResNet、YOLO、Transformer，论文里动不动就99%的准确率。看着是真馋人。2019年，我们给一家注塑件厂做缺陷检测，客户要求检缩水、毛边、黑点。想着简单嘛，用目标检测框架YOLOv3训一版就搞定。先收集了2000张缺陷样本，数据增强搞了翻转、调亮度、加噪声。训练很快收敛，验证集mAP冲到95%，心里美滋滋——以为要一战封神了。结果上线第一天就教我做人：透明件的缩水，人眼看都费劲，模型直接当成了背景；黑色原料上的黑点，对比度太低，漏检飞起；更要命的是，换了一个机台生产，模具温度高了点，产品表面光泽度变了，语义分割模型直接把一整片当成异常！💥

问：花这么多钱上AI，为什么连换个机台都适应不了？
答：这就要说到域迁移了。工业现场的数据分布和训练集一旦有偏差，模型表现就断崖式下降。实验室收的数据，光照、相机角度、机械振动都是严格控制的；产线上随便一个变量就可以把你打回原形。更坑的是，很多工厂自己的历史数据根本没标注，重新采集成本高得离谱。——而我们当时犯的最大错，就是没在一开始硬性要求客户提供覆盖所有机台、时段、原料批次的样本。后来硬着头皮补采了3000多张“脏数据”，针对性做了难例挖掘，模型才稳下来。但时间、人力成本已经超支一倍。

问：那是不是意味着小厂根本玩不起工业AI视觉？
答：也不是。这两年小样本学习和迁移学习进步很快。比如用ImageNet预训练权重做初始化，只需几百张缺陷图就能让分类模型工作。或者直接用异常检测的思路——只学良品的分布，出现偏离就报警，根本不需要大量缺陷样本。像PaDiM、PatchCore这类算法，在MVTec AD数据集上表现很惊艳。但落地的关键是：你一定要先夯实光学方案和机械定位，尽量把变量压缩到最小。AI不是万能药，它只能帮你解决算法层面的问题，如果成像都糊了，神仙也救不了。

数据是魔鬼，但也是唯一的解药

有个冷知识：在工业CV项目里，90%的时间花在数据上。采集、清洗、标注、增强……极其枯燥。而且标注质量直接影响模型上限。我见过有厂自己标数据，工人把模糊的“轻微划痕”和“可接受擦伤”全混为一谈，训出来的模型判若疯狗——该放的放，该杀的杀，毫无逻辑。后来我们干脆派算法工程师驻厂跟线，两周内一边看工艺一边修订标注标准，并建立了样本评审流程。这种笨功夫，省不了。

另外，工业场景下类别不平衡是常态。良品一大堆，缺陷品就那么几个。直接训练会造成模型偏向良品，漏检率飙升。除了传统的过采样/欠采样，合生成对抗网络生成缺陷样本也可一试。不过要注意，生成的缺陷必须符合物理成像逻辑，否则用到线上只会帮倒忙。

未来？别信PPT，下车间

这两年各种展会看下来，CV厂商的demo越做越炫，多光谱融合、3D线激光轮廓仪+AI、嵌入式边缘推理……确实给力。但骗局也多：比如有家号称“零样本自动质检”的创业公司，实际就是拿开源的CLIP模型在云端跑推理，产品换一个品类就错乱，延迟还高得吓人。❗工业计算机视觉，最终拼的不是模型多fancy，而是对工艺的理解和工程化能力。你知不知道焊点爬锡的润湿角公差范围？注塑件的熔接痕到底允许多长？这些领域知识才能定义“什么算缺陷”。

一个值得留意的趋势是生成式AI开始渗透工业视觉。不是AIGC画图那种，而是用扩散模型做缺陷图像复原——例如把带划痕的零件图修复成良品，从而凸显缺陷区域。这能极大降低对标注的依赖。还有视觉大模型，像SAM，在分割任务上展现了惊人的零样本能力，也许未来产线换型号只需拍几张照，框一下就能让机器人自标定。 但回到眼下，我们最需要的还是踏实做数据闭环——让模型在线上持续迭代，MES系统里的漏检反馈能实时触发重训。这个过程没有魔法，只有工程。

最后说句得罪人的话：如果你听供应商说“我们的AI视觉系统能100%替代人工”，赶紧跑。实际项目里，人机协作才是最优解：机器筛出明显异常和高可疑件，人做最终仲裁。这样既提效，又避免把质检员变成看屏幕的机器——那才真叫浪费。